mfg-predictive-maintenance

予知保全

フレームワーク

IRON LAW: Predictive > Preventive > Reactive (but each has its place)

Reactive (fix after failure): cheapest per-event, most expensive in downtime
Preventive (fix on schedule): prevents some failures, causes unnecessary maintenance
Predictive (fix based on condition): lowest total cost, requires sensor investment

Not ALL equipment justifies predictive maintenance. Apply to equipment where
unplanned downtime cost >> sensor investment cost.

保全戦略の比較

戦略	保全を行うタイミング	メリット	デメリット	最適な対象
事後保全	故障後	初期費用ゼロ	ダウンタイムが最大、安全上のリスク	重要度が低く、交換費用が安い設備
予防保全	スケジュールに基づいて（時間／サイクル）	予測しやすく、シンプル	過剰保全（まだ使える部品を交換してしまう）	摩耗パターンが既知の設備
予知保全	状態データに基づいて	ダウンタイムと保全コストを最小化	センサー、データインフラ、モデルが必要	重要で高価な、故障が連鎖的な影響をもたらす設備

P-F 曲線（潜在的故障 → 機能故障）

Condition
  │
  │  ●─── P (Potential failure detected by sensor)
  │     ╲
  │      ╲  ← P-F Interval (time to act)
  │       ╲
  │        ● F (Functional failure — equipment stops)
  │
  └──────────────────── Time

The P-F interval is your window of opportunity. Detect at P, schedule
repair before F. The longer the P-F interval, the more planning time.

センサーデータの種類

データの種類	検出対象	設備
振動	ベアリングの摩耗、アンバランス、位置ずれ	回転機械（モーター、ポンプ、タービン）
温度	過熱、摩擦、電気的な故障	モーター、変圧器、ベアリング
電流／電力	負荷の変化、電気的な劣化	電動モーター、ドライブ
音響	漏れ、キャビテーション、微小亀裂	圧力システム、配管、バルブ
オイル分析	摩耗粒子、汚染	ギアボックス、油圧システム

RUL（残存耐用年数）予測のための ML モデル

アプローチ	手法	必要なデータ
統計的手法	ワイブル分布、指数劣化	過去の故障時間
古典的 ML	センサー特徴量を用いたランダムフォレスト、勾配ブースティング	故障までの運転データにラベル付けしたデータセット
ディープラーニング	生のセンサー時系列データを用いた LSTM、1D-CNN	大量のセンサーデータ
異常検知	アイソレーションフォレスト、オートエンコーダー	正常稼働データのみ（故障ラベルは不要）

実装手順

フェーズ 1：設備の選定（重要度分析）

• ダウンタイムコストが最も高い設備はどれですか？
• 故障が連鎖的な影響をもたらす設備はどれですか？
• 優先順位：高コスト × 高頻度

フェーズ 2：センサーの設置

• 故障モードに合わせてセンサーの種類を選びます（上の表を参照）
• データパイプラインを構築します：センサー → エッジ／クラウド → ストレージ

フェーズ 3：ベースラインの構築

• 正常稼働データを 3～6 か月分収集します
• 「正常」パターンを確立します

フェーズ 4：モデルの開発

• シンプルな方法から始めます：しきい値ベースのアラート（振動 > X = 警告）
• データが蓄積するにつれて ML モデルへ移行します
• 故障事例がほとんどない、またはまったくない場合は、異常検知を使用します

フェーズ 5：運用化

• アラートを保全ワークフロー（CMMS）に統合します
• 各アラートレベルに対する対応手順を定義します
• 計測項目：計画外ダウンタイムの削減、保全コストの削減額

ROI の計算

Annual Savings = (Unplanned downtime hours reduced × Downtime cost/hour)
               + (Preventive maintenance events avoided × Cost per event)
               - (Sensor + infrastructure + model development cost)

出力形式

# Predictive Maintenance Plan: {Equipment/Line}

## Equipment Criticality
| Equipment | Downtime Cost/hr | Failure Frequency | Cascading? | Priority |
|-----------|-----------------|-------------------|-----------|---------|
| {name} | ${X} | {X/year} | Y/N | H/M/L |

## Sensor Plan
| Equipment | Failure Mode | Sensor Type | P-F Interval |
|-----------|-------------|-------------|-------------|
| {name} | {mode} | {sensor} | {est. hours/days} |

## Projected ROI
| Metric | Before | After | Savings |
|--------|--------|-------|---------|
| Unplanned downtime | {hrs/year} | {hrs/year} | ${X}/year |
| Maintenance cost | ${X}/year | ${X}/year | ${X}/year |
| Sensor investment | — | ${X} one-time | Payback: {months} |

注意点

• 振動モニタリングから始める：最も成熟し、理解が進んでいる予知保全技術です。回転機器の故障の 80% は、振動分析だけで予測できます。
• モデルの複雑さよりデータ品質：ノイズが多く不完全なデータを使った高度な ML モデルよりも、クリーンなセンサーデータに対するシンプルなしきい値アラートのほうが優れています。まずデータ品質を改善してください。
• 誤検知は定着を妨げます：モデルが頻繁に誤警報を出すと、保全チームはそのアラートを無視するようになります。初期段階では検知漏れが多少増えても、適合率が高くなるよう（誤警報を少なく）調整してください。
• 文化の変革は技術より難しい：「故障するまで稼働させる」文化からの移行には、経営陣の賛同と保全チームのトレーニングが必要です。技術だけでは行動は変わりません。

参考資料

• 設備の種類ごとのセンサー選定ガイドについては、references/sensor-guide.md を参照してください
• LSTM ベースの RUL モデルのチュートリアルについては、references/rul-tutorial.md を参照してください